用 React Three Fiber 打造的 Artemis II 互動任務探索器：3D 太空教育新體驗 🎏超酷的互動 3D 專案——Interactive Artemis II Mission Explorer，由開發者 redradman8（RADMAN）使用 React Three Fiber（R3F） 與 Three.js 快速打造完成。 👉🏻這個專案把 NASA 的 Artemis II 月球任務變成一個可以親手操作的 3D 模擬器，讓任何人只要打開網頁，就能跟著 SLS 巨型火箭與 Orion 太空船，一起「飛」完整個任務！ • 真實任務時間軸：從發射、助推器分離、核心級分離、月球飛掠、返回地球到濺落，全程用時間軸控制。可隨時快轉（1x、2x、3x、5x），甚至倒轉播放。 • 超逼真粒子效果：同時運行 6 組粒子系統，包含引擎火焰、RCS 姿態控制噴氣、分離馬達、進入大氣層的電漿、降落傘等，往前倒退都完美同步。 • 三種視覺主題即時切換：藍圖模式（線框風）、太空模式（真實宇宙感）、電影模式（加上後處理 Bloom 光暈），切換時不會重置鏡頭或動畫。 • 互動點擊體驗：總共 14 個可點擊的火箭與太空船組件，點擊後鏡頭自動飛過去，並彈出詳細資訊面板（全部資料來自 NASA 公開的 Artemis II Reference Guide 與任務時間表）。 • 技術亮點：全部用 React Three Fiber 寫成，場景圖不會因為換主題而重建，效能極佳，適合用來做教育、科普或太空迷的玩具。 試玩連結：** （建議用電腦大螢幕開啟，效果最震撼！） 這個專案不只是炫技，更展現了 Three.js 在科普教育上的巨大潛力——把複雜的太空任務變成人人可親身體驗的互動故事。

單晶片競賽終結！黃仁勳動用 4 萬名工程師打造 Vera Rubin，宣告 NVIDIA 正式轉型為「AI 工廠」。液冷、網路與算力全面整合，這套史上最複雜系統平台，完全依賴台灣供應鏈才能運作 。

🦞 如何 免費使用 AI ？ Qwen3.6 27B 模型直接在 MacBook Pro 上用 llama.cpp + Pi coding agent 完全本地運行，飛航模式、零網路！😱😱 這樣本地跑（llama.cpp + Pi coding agent），你就完全不用花錢 subscribe 任何雲端 AI了！ • 不用 Claude Pro、ChatGPT Plus、Grok Premium 之類的月費 • Qwen3.6 27B GGUF 模型從 Hugging Face 一次下載就永久免費使用 • Pi coding agent 本身也是完全開源 MIT 免費（npm 安裝就行） • 之後不管跑多少次、做多少 coding 任務，都零 API 費用 唯一的小成本只有： ✅ MacBook 要夠力（推薦 32GB+ 記憶體，M 系列 Metal 加速最順） ✅ 第一次下載模型花一點時間跟硬碟空間 ✅ 跑的時候電費會多一點點 但之後就是真正零月費、無限使用的本地 AI coding 神器！ 隱私還 100% 保障，飛航模式也能跑，超爽👍 處理 Hugging Face 真實程式碼庫的複雜任務，表現幾乎追平 Claude Opus！ 這就是 AI「第二革命」——強大本地模型正式實用化！ 隱私、安全、資料主權一次到位，早鳥直接起飛 💨 👉🏻👉🏻 想自己馬上開始裝嗎？超簡單上手（Mac 適用）： 1. 安裝並啟動 llama.cpp server（下載 Qwen3.6 27B GGUF 模型，推薦 Q4_K_M 量化，Mac 用 Metal 加速） 2. npm install -g @mariozechner/pi-coding-agent 3. 編輯 ~/.pi/agent/models.json 指向本地 llama.cpp（baseUrl: http://localhost:8080/v1） 4. 在你的專案資料夾直接執行 pi 指令就起飛！ 詳細文件： （或 Pi GitHub： 開源本地 AI，真的要改變遊戲規則了！誰來一起玩？🔥 推薦用 etherfi卡 買MacBook 能省3～4%

矽電容（Silicon Capacitor） 1. 誕生背景與核心優勢 傳統鋁質電容與常規MLCC在HPC、AI伺服器、1.6T及以上高端光模組等高速、高發熱場景下，已無法滿足低熱敏、高穩定性、高頻濾波的需求。矽電容正是為此應運而生。核心優勢： - 透過閾值優化大幅提升性能，能有效過濾高速電流雜波、降低發熱干擾、保護主晶片。 - 大幅提升高端模組整體運行穩定性。 - 非MLCC：無需陶瓷封裝，以裸晶形態存在，直接替代主晶片周邊的高頻MLCC及傳統鋁質電容，是高端算力與光通訊專用的無源器件。 2. 技術與工藝特點 - 製程要求：僅需8吋、12吋成熟晶圓製程，無需5nm/7nm等先進製程。 - 核心技術壁壘：不在晶圓工藝複雜度，而在於電容/電感設計能力以及電力基礎技術累積。 - 最大工藝難點：切割環節（需精準避免損壞晶片）。國內掌握成熟切割工藝的廠商極少，這是當前產業核心壁壘。 - MLCC廠商轉產難度：極高。缺乏專項設計經驗與電力技術累積，跨界嘗試進展緩慢。 3. 完整產業鏈分工 - 晶圓製造：目前主要依賴國外晶圓廠。 - 封測環節： ‧ CP測試 ‧ 晶圓減薄 ‧ 磨平 ‧ 雷射切割（核心設備來自日本） - 出貨形式：以裸晶晶圓形式交付下游。 - 成本結構：封裝成本約占單顆整體成本的30%。 4. 產能、良率與擴產 - 晶圓尺寸：8吋與12吋均已量產。 - 單片晶圓產量：少則數萬顆，多則二十多萬顆（高端模組單片可達20-30萬顆）。 - 產能壁壘：量產階段壁壘不高，可透過新增設備快速擴產。 - 擴產規劃：多家企業三期工廠建設中，同時規劃先進封裝產能擴建。 5. 下游應用場景與用量（核心驅動力） 主要應用領域：高速光模組與HPC/AI伺服器。高速光模組： 800G光模組已部分搭載矽電容商用；1.6T光模組已正式商用出貨，單顆1.6T光模組需用到近20顆矽電容；後續3.2T光模組的矽電容用量將大幅提升。 AI伺服器： 算力模組整體用量龐大，例如英偉達相關AI伺服器單顆可使用4-6萬顆矽電容。 貼裝方式：由下游光模組廠商自行負責MSAP貼裝。 使用邏輯：並非絕對必須，但隨著1.6T+國產化推進，傳統電容無法滿足高傳輸速率與穩定性需求，矽電容成為優先替代方案。 6. 市場空間 對標MLCC成熟市場，矽電容整體市場空間可達數十億美元級別。目前MLCC尚未被完全替代，成長空間充足。 7. 競爭格局 海外：Murata、ROHM等成熟龍頭，技術領先。 中國國內：優質設計廠商各具特色，其中蘇納光電進展最快，已實現小批量量產（月產數百萬顆），深度綁定國內頭部光模組廠商。 傳統封測大廠（如日月光、矽品）：短期內不會重點布局。原因在於矽電容屬於細分利基賽道，毛利低於HBM、CoWoS、2.5D/3D等主晶片高端封裝，非其策略重點。 8. 獲利水平 矽電容封測毛利率低於HBM、CoWoS等高端封裝，但因雷射切割等環節在中國國內稀缺性高，目前整體利潤水平較好。

前幾天剛好跟朋友在討論預測市場當前到底需要的是什麼，看似繁榮其實並沒有很好的讓大家都上手 多數交易量肯定都是來自 bot ，而且多數人參與其實滿容易虧錢的 最大的問題就是不同市場的流動性碎片化再加上介面不好用、不直覺 以台灣來說甚至登入個 polymarket 都有問題，仍是最大痛點，我最常用的還是 polymarket 的 CLI 當前有兩個痛點需要被解決：更好懂的介面以及更絲滑的入金方式 市面上的方案都沒有真正解決這個問題，更不要說單純的 AI 工具 不管是否幣圈，AI agent 使用率都是不高的，一個重要原因是最一開始的啟動流程仍然有些複雜，只有真的動力強的少數族群才會每天用 另一個更根本的原因是，主流模型從來沒有被真正為「在市場裡賺錢」而設計過，它們能提供分析結果 但分析≠ 不代表真的能夠賺錢 用戶本身具有交易賺錢的能力， ai agent 才能發揮得好，否則很容易只是幫我們花式虧錢 Sui 上面的 @0xbeepit 還挺有趣，這個協議是一個讓交易型 AI agent 在真實市場中競爭、篩選、進化的系統，只保留真實市場裡活下來的策略 而且除了 agent trading 還有發展其他的產品線 這是當前預測市場賽道所欠缺的 「有更多讓用戶資金留存的誘因」 創始團隊在 PayPal 和 Walmart 等企業建構過 TradFi 系統，平均 12 年以上的開發經驗，橫跨支付、交易、區塊鏈基礎設施等 Beep 主要運作的方式有五個階段 1️⃣ 用對的工具開發策略 LLM 負責理解語言、分析情緒、提取資訊；另一種 AI 專為數字時間序列設計的模型，負責數值計算、風險判斷和交易執行 2️⃣獨家訊號 Beep 的 agent 接入獨有的數據流，包含鏈上交易元數據、預測市場訊號、訂單流微觀結構 3️⃣ 開放接入 任何 agent 都可以接入、提交策略。 越多參與者，接觸到的市場資訊廣度也更大，利好所有玩家 4️⃣ 嚴格篩選 每個策略先用模擬資金跑，通過了才能用真實資本 能穩定賺錢的策略獲得更多資金信任，跑輸的淘汰 5️⃣ 結果反哺 每一筆交易的結果，都會成為模型訓練的一部分，讓系統變得更準 理論上隨著時間的推進，系統會越來越強大 接著是其他產品線，Beep 最新上線的 R3，是基於 Polymarket 的預測市場產品，提供兩種玩法 💡手動預測，適合想自己下單的用戶，Beep 為用戶提供 AI 洞察輔助用戶做判斷 💡全託管預測 Agent ，適合想讓 AI 全權負責的用戶，AI 全權接管，掃描市場、選題、交易、結算，全程無需人類介入 我這次先丟了 1000u 來測試一下他們家的 trading agent 1️⃣ 選擇自己要用的模型（GPT5.4 , Claude Sonnet , Kimi , Groq 等） 2️⃣ 選擇要交易的市場：美股竟然也可以 , 不單純只是加密市場可以選擇 3️⃣ 除了 eth sui 之外我添加了近期火熱的 $SNDK $INTC $MU 三支股票 在這些交互的過程中都是可以嚕分數的，包含創建 agent、交易量、錢包餘額等（treasury），創建 agent 的花費跟交易頻率有關，越高當然花費越多，還可以設定單次交易最高金額，使用的槓桿大小等 agent 開跑之後, 可以動態看到 agent 當時的想法 下週來跟大家分享一下結果，有興趣的可以一起來玩玩： 這邊記得，受邀人記得至少要充值 10 usdc 以上才可以激活 ⚠️ 地區限制，台灣的朋友們記得一樣要切換 VPN 才能使用 去年年底 Sui 宣布了 The Agentic Economy is coming to Sui ，很明顯這是當前每條鏈都在積極發展的方向，Beep 是我認為值得一試的 Sui 鏈 agentic finance 項目 Beep 還支持基於 Hyperliquid 的全託管交易 agent 的創建，支持 Hyperliquid 上 Crypto + TradFi 全部 USDC 交易對 對於心癢癢想追高美股的用戶來說，如果想追高又不知道怎麼設止損，讓 ai agent 根據設置的策略來參與市場也不失為是一種方式

「夜晚我回到居所，進到我的書房。進門前，我把骯髒、沾滿泥土的衣服脫掉，換上莊嚴的袍子。穿著合適後，我就進入了古人的殿堂。在那裡，我受到熱情的歡迎，我大口吞食只屬於我的食物。我就是為這個地方而出世。我和他們交談，問他們行為處事的理由，一點都不害羞、懼怕。他們則用最慈祥、包容的態度，回答我的問題。因此，四個小時內，我一點都感受不到煩燥、困擾，我忘記了所有的煩惱。貧窮不讓我害怕，死亡也無所畏懼。我完完全全地變成他們的一員。」 馬基維利的這段「風簷展書讀，古道照顏色」，在AI的時代，出現了全新的詮釋。 我到圖書館借了本從來沒看過的書，有關一個我沒有一點認識的歷史人物。我打開我的iPhone，一次掃描十頁，我用iPhone的捷徑，把掃描的書頁，轉成語音檔。我的iPhone在我運動、做雜事、開車的時候，唸這些書頁給我聽。然後，每聽了一百頁，我就把這一百頁，上傳到NotebookLM，請它做一個一小時的Podcast，再把故事整理，重講一次給我聽。我的古人殿堂，比馬基維利的殿堂更生動，我不再需要在風簷下讀書，我在AI的世界裡，有了全新的讀書體驗。 當落後的人們，不斷地擔心AI取代人類的工作時，我徜徉在AI的世界裡，享受人類歷史迄今都不可能的境界，我迫不及待想要知道，AI還可以幫我們做什麼。

1888年出生的史蒂文生，可以說是在一個鳥不生蛋的地方長大。在德州奧斯汀西方兩百英哩的地方，離文明很遠，地也種不出東西，所以他很小就會騎馬，因為放牧牛馬是當地人唯一的謀生管道。史蒂文生上學總共上了七年，之後他就開始賺錢。十來歲的小朋友，開了個馬車貨運行，從他的家鄉拉貨到附近比較大的鎮，單趟75英哩，但來回要一個星期。就像牛仔一樣，史蒂文生駕著馬車趕著貨，露宿野地。晚上就著營火讀書，把握機會，史蒂文生開始自學簿記，然後一邊讀著歷史。這樣的生活過了幾年，史蒂文生聽說附近開了銀行，憑著他的簿記知識，他去應徵了簿記員，但銀行不缺行員，缺清潔工，為了這個鄉下難得的機會，史蒂文生不幹貨運，到銀行當起了清潔工。 工作勤奮的史蒂文生(Coke Stevenson)，終於在簿記員生病的時候，頂上了缺，二十歲，還不到法定成人的年紀，他當上了銀行的行員。二十五歲的時候，銀行重組，史蒂文生被推選為銀行的總裁。但這五年時間，史蒂文生把一天當兩天用，他追求鎮上醫生的女兒，結了婚，沒錢買大房子，用自己的兩隻手，利用晚上下班的時間，拆掉舊房子的木頭，拿來蓋新房。同時，他又在晚上自學法律，在律師事務所當學徒。在當上銀行總裁的那年，同時也考上律師。 為人正直不阿的史蒂文生，很快變成縣裡的重要人物，先是被推選為縣的檢察官，專門抓偷牛馬的賊。在他的任內Kimble縣的馬賊消聲匿跡。然後他被民眾選為縣裡的大法官，在德州地廣人稀的鄉下，法官也兼縣長，所以史蒂文生變成縣城最大的官。在他的任內，把通往州府奧斯汀的馬路修了起來，完成了鄉民最渴望的公共建設。史蒂文生不貪污，不搞複雜的人際關係，他買了個牧場，不工作的時候，就在牧場裡蓋房子、修花園，沒水沒電，過著日出而作、日落而息的自給自足生活。但他的名聲響亮，讓他一再地被選為政治領袖，從州議員開始，一路當到了州長。他是德州第一個當到州議長、副州長及州長三冠王的政治人物，他也是在那個時候在德州州長任期最久的政治人物，每次他的選舉，都是超過對手極大比例的壓倒性勝利，一直要到1948年聯邦參議員的選舉，碰到不世出的政治奇材，後來當上總統的詹森(Lyndon Johnson)，史蒂文生才首吃敗仗，當然詹森的選舉髒得不像話，買票作票，無所不用其極，但那是另外的故事了。 1888年的德州鄉下，遠遠不比1889年希特勒出生的奧地利小鎮，也比不上1878年史達林出生的喬治亞，也許和1893年毛澤東出生的湖南韶山相差不多。但史蒂文生生長在美國，就算是鄉下，就算是機會稀缺，但廣大的自由土地，讓任何人都可以憑著自己的雙手，憑著自己的意志與努力，找尋到生命的出路，敬天愛人的過上有意義的一生。相比之下，希特勒、史達林、毛澤東這些魔頭，生長的社會沒有希望，也沒有讓年輕人可以有機會靠著自己雙手做點事，如果有點野心，又加上有社會的思想騷動，很容易就想賭一把，走向革命之路，變成亡命之徒，這樣的年輕人，失敗的時候多，而他們真的成功了，對世人，也是災難，而不是救贖。

2023 年，Meta 首席 AI 科學家楊立昆給當時的 LLM 熱潮潑了一盆冷水。 他指出 LLM 有根本性的缺陷：沒有持久記憶、無法從單一經驗學習、缺乏對物理世界的理解。本質上，它只是在做「下一個 token 的預測」。 從學術的角度看，他說得完全正確。 直到今天，LLM 的底層架構依然沒有變。它依然是一具每次啟動都空空如也的統計引擎。 但在三年的工程演進後，我們發現了一個讓科學家尷尬的事實：學術上的根本缺陷，工程上不一定要正面解決，繞過去一樣能起飛。 楊立昆主張要走「世界模型」的路線，讓 AI 像人一樣建立對物理規律的理解。他認為 Scaling Law（規模定律）有天花板，LLM 光靠堆算力不能產生真正的智慧。 但工程界用兩件事回應了他： 第一，資本的暴力美學。過去三年，人類往算力砸錢的瘋狂程度，讓模型規模產生的「湧現」直接蓋過了架構的粗糙。 第二，系統性的外掛補丁。模型記不住？掛上向量資料庫。模型理解不夠？接上 Vision 和工具。 這就是工程學最迷人的地方：解決問題不需要追求「本質的優雅」。 楊立昆在研究神經元的排列，而工程師在研究如何把這個「不完美的大腦」裝進一個強大的「機械外骨骼」裡。 楊立昆對 LLM 的核心批評，是他認為 Pattern Matching（模式匹配）不算真正的學習。 但如果這種模式匹配的複雜度足以模擬出文明的所有邏輯，那「學習本身到底是什麼模式」還重要嗎？ 飛機與鳥的飛行原理完全不同。飛機沒有羽毛、不會拍翅膀，但在它飛得更高、更遠、更穩定的那一刻，它到底「算不算在飛」已經不重要了。 但繞過去的，跟真的解決，是兩回事。 只要底層架構沒變，楊立昆講的那些缺陷就真實存在。記憶是外掛的，不是原生的。就像義肢，裝上去能走能跑，但它跟真正的腿就是不一樣。你不能假裝它不存在。 所以雖然 AI 已經很強了，推理、寫作、寫程式，很多事做得比大部分人好，但它每次都是一個全新的大腦。沒有連續的意識，沒有累積的經驗。它所有的「記憶」、「理解」、「偏好」，全部來自你這次塞給它的上下文。 如果你去看 OpenClaw 最近的 repo 更新，你會發現記憶管理佔了很大的篇幅。怎麼讓 AI 在對話之間記住該記住的東西。 他們最近推的 QMD，把關鍵字搜尋跟語意搜尋混在一起用，就是為了解決一個問題：你三天前跟 AI 聊過的東西，它下次怎麼找得回來。 模型本身的能力會繼續進步，但只要底層是 LLM，記憶管理就是一個繞不開的大山。 用工程的角度來說，就是 Context Engineering 的重要程度，會逐漸超過模型本身。 你怎麼管理每次丟給模型的那包上下文，決定了 AI 能幫你做到什麼程度。哪些資訊該放、哪些不該放。什麼時候該砍掉重來、什麼時候該接著繼續。不同對話之間的記憶怎麼同步、怎麼取捨。 我自己每天都在處理這個問題。 舉個例子，我的 OpenClaw Agent KAI，它常常在多個頻道處理不同任務，但它們的記憶不是即時同步的。只要 還沒更新，它們就不知道彼此剛做了什麼。 所以我常常要幫它做認知同步。譬如告訴 A 分身，B 分身目前正在做什麼，然後要求 B 把做的東西整理好傳過去。或者更簡單一點，直接叫 A 去讀另一個 Discord 頻道最近兩小時的對話，讓它自己同步 B 的工作內容。 這種「認知斷裂」的現象，只要你常用 AI，一定會有很強烈的感覺。 從人格化的角度看，你會覺得它們是同一個人。但事實上，它們只是共享同一份記憶。只要記憶沒有同步，它們就是不同的人。 我現在花比較多時間在學這一塊。譬如今天 KAI 就教了我，如果讓 Claude Code 的 Opus 4.6 從外部調用 GPT 5.3-Codex，用 MCP 跟 coding-agent skill 的差異是什麼。 KAI 告訴我，差異的核心在於：中間過程要不要進主 context。 用 MCP 調用 Codex，每一個 tool call 都走 MCP 協議。Codex 過程中的每一個 turn，讀檔、改檔、跑測試、報錯、retry，全部以 tool result 的形式灌回 Opus 的 context。一個 coding task 可能產生幾十個 turn，跑完之後 Opus 的 context window 已經被中間過程塞滿了，後面每一 turn 都要重送這些垃圾。這就是 context 污染。 而 coding-agent skill 的設計完全不同。它把整個 coding task 交給一個獨立的 sub-agent，這個 sub-agent 在自己的 context 裡完成所有中間過程。跑完之後，回傳給 Opus 的是一個精簡的 handoff summary：改了哪些檔案、測試跑過了沒、有沒有殘留問題。中間那幾十個 turn 的掙扎，Opus 完全不需要知道。 同樣一件事，兩種做法，Opus 的 context 乾淨程度天差地遠。 所以同一個模型，不同的人用，產出可以差十倍。 人與人之間原本的能力差距，已經沒那麼重要了。你的學歷、你的年資、你寫程式的底子，這些東西的權重正在被 AI 快速壓縮。 取而代之的，是你怎麼使用 AI。這件事的精度，才是現在真正決定產出的變數。 你理不理解它的記憶是怎麼運作的。你知不知道什麼時候該砍掉 context 重來、什麼時候該讓它接著跑。你能不能在對的時間，把對的資訊塞進那個 context window。 這些東西有一個名字，叫 Context Engineering。 它不是什麼高深的學問，但它是所有想把 AI 用好的人，都應該深入研究的東西。